AI生成の職務経歴書を見抜く鍵は、書かれた文章そのものを判定しようとしないことです。生成AIの検出ツールは精度が安定せず、「整いすぎた文章」だけでは不採用の根拠になりません。判断すべきは、記載された成果に意思決定の背景・固有の文脈・検証可能な裏付けが伴っているかどうかです。本記事では、AIで整えられた応募書類の特徴を踏まえ、実力を正しく評価する書類選考の設計手法を解説します。

このページでわかること

• 生成AIで作られた・整えられたエンジニアの職務経歴書に共通する特徴と、その背後にある構造

• AI検出ツールに頼らず、文脈の深さで実力を見極める書類選考の設計方法

• AIで盛られた経歴を書類段階でふるい分ける質問・課題の組み立て方

• 候補者のAI活用を一律に減点しない、フェアで歩留まりを落とさない選考運用

TL;DR（要点まとめ）

1. AI検出ツールは選考の判定根拠にしない。生成AIの文章検出は誤判定が多く、人間が書いた文章を「AI製」と誤認するリスクがある。検出スコアは参考情報にとどめる。

2. 見るべきは文章の質ではなく文脈の深さ。AIで整えた職務経歴書は、結果は並ぶが「なぜその判断をしたか」「どこで詰まったか」という意思決定の背景が薄い。

3. 検証可能な一次情報を必ず要求する。GitHub・技術ブログ・登壇資料・OSS貢献など、本人しか持ち得ない痕跡があるかを確認する。

4. 書類段階に「深掘りトリガー」を仕込む。職務経歴書の特定の記述に対し、具体的な数値や技術判断を問う短い設問を加えると、盛られた経歴は破綻しやすい。

5. AI活用そのものは減点しない。書類作成にAIを使うこと自体は問題ではなく、実態と乖離した内容かどうかが本質。フェアな基準を明文化する。

1. なぜいまAI生成の職務経歴書が選考課題になるのか

エンジニア採用において、生成AIで作成・加筆された応募書類への対応は2026年の実務課題になっています。ChatGPTをはじめとする生成AIの普及で職務経歴書をAIに作らせる候補者が増え、文章の完成度と実力の相関が崩れつつあるためです。

採用市場そのものも「質の厳選」へと軸足を移しています。厚生労働省の一般職業紹介状況によると、2026年4月の新規求人倍率は2.6倍で前年同月の3.0倍から低下しました（出典：厚生労働省「一般職業紹介状況」2026年4月分）。求人の総量が落ち着く局面では、企業は応募の母数よりも一人ひとりの実力を見極める精度を問われます。整いすぎた書類が増える状況は、この「厳選フェーズ」と正面からぶつかります。

一方で、IT人材の需給ギャップという構造的な背景も見逃せません。経済産業省の試算では、IT人材の不足規模は2030年に最大で約79万人に達すると推計されています（出典：経済産業省「IT人材需給に関する調査」）。慢性的な売り手市場のなかでは、書類段階の見極めが甘いと、実力と乖離した候補者が選考の後工程まで進み、面接コストや内定後のミスマッチを膨らませます。書類選考の精度向上は、人材不足下でこそ採用効率に直結する投資です。

「文章がうまい＝実力がある」が崩れた

従来の書類選考は、文章の論理性や構成力をある程度、地力の代理指標として使えました。生成AIはこの代理指標を無効化します。技術的な実力が伴わない候補者でも、AIに任せれば論理的で読みやすい職務経歴書を作れるからです。

一方で、AIで整えた書類には共通の弱点があります。経歴のつながりや意思決定の背景といった文脈が深掘りされず、結果だけを並べた記述になりがちな点です（参考：キャリアとHRの散歩道「生成AIに頼りすぎた職務経歴書がすぐバレる理由」）。書類選考の設計は、この弱点を突く方向に組み替える必要があります。

採用側のAI活用と表裏一体

注意したいのは、これが「候補者だけがAIを使う」話ではないことです。採用側もAIで応募書類を解析し、スキルマッチをスコアリングする運用が広がっています。AI対AIの構図になると、表面的なキーワードの一致だけで通過・落選が決まり、本来の実力評価から遠ざかるリスクがあります。書類選考の効率化とAI生成書類の見極めは、セットで設計するのが現実的です。

2. AI生成・AI加筆された職務経歴書の5つの特徴

AIで作られた・整えられた職務経歴書には、見極めの手がかりになる共通パターンがあります。文章の巧拙ではなく、以下の構造的な特徴に注目すると判別精度が上がります。なお、書類選考そのものの基本的な評価基準や読み方はエンジニア採用の書類選考完全ガイドで体系的に解説しており、本記事はAI生成書類への対応に特化しています。

1. 抽象的な万能フレーズが多い：「チームワークを活かしプロジェクトを成功に導いた」「円滑なコミュニケーションで信頼関係を構築した」のように、誰にでも当てはまる表現が並ぶ。固有名詞・固有の状況が乏しい。

2. 結果はあるが意思決定の背景が薄い：「レスポンスタイムを50%改善」と書かれていても、なぜその手法を選んだか、他にどんな選択肢を捨てたかが書かれていない。

3. 技術スタックが「網羅的すぎる」：実務で深く使った技術と、軽く触れただけの技術が同じ濃度で羅列される。一人のエンジニアの経験としては不自然に幅が広い。

4. 語尾・言い回しが均一：文末の構造や接続のパターンが一定で、人間特有の癖やリズムの揺れが少ない。毎日多数の職務経歴書を読む採用担当者ほど違和感を覚えやすい。

5. 数値の根拠がたどれない：定量成果は書かれているが、計測方法・対象期間・自分の貢献範囲が曖昧で、深掘りすると一貫性が崩れる。

これらは単独では決め手になりません。複数が重なったときに「文脈の薄さ」のシグナルとして扱い、後述の深掘り設計につなげるのが正しい使い方です。

「AI生成」と「AIで整えた」は分けて考える

実務では、職務経歴書とAIの関わり方を一括りにすると判断を誤ります。少なくとも次の3パターンを区別すると、対応の優先度が明確になります。

1. AIで体裁を整えただけ（許容範囲）：自分の経歴を入力し、文章を読みやすく整形してもらったケース。内容は本人の実態に基づく。減点する理由はない。

2. AIで部分的に盛った（要確認）：成果の数値を大きめに表現したり、軽く触れた技術を深い経験のように書いたりするケース。深掘りで一貫性を確認すべき対象。

3. AIでほぼ創作した（要排除）：実態とかけ離れた経歴をAIに生成させたケース。一次情報の確認と深掘り設問で破綻が露呈する。

採用側がやるべきは、1を罰さず、2と3を見極めることです。「整いすぎている」という第一印象だけで1まで巻き込んで落とすと、誠実な候補者を失います。判別の負荷は2と3に集中させるのが、運用上も効率的です。

候補者は採用側の評価軸を学習している

もう一つ押さえておきたいのは、候補者側も「採用担当者にAIだと気づかれない書き方」を学習している点です。具体的なエピソードを差し込む、文末を意図的に崩す、といった手直しで検出を回避する動きが広がっています。つまり、表層の文章特徴だけを見る運用は、時間とともに効かなくなります。だからこそ、文章の見た目ではなく、後述する「文脈の深さ」と「一次情報の整合」という、偽装が難しい軸に評価の重心を移す必要があるのです。

3. AI検出ツールに頼ってはいけない理由

生成AI検出ツールを書類選考の合否判定に使うべきではありません。AI文章検出は誤判定率が無視できず、人間が丁寧に書いた文章を「AI製」と誤認する偽陽性が起きるためです。検出スコアだけを根拠に落とすと、優秀な候補者を取りこぼし、説明責任も果たせません。

検出ツールの3つの限界

1. 偽陽性のリスク：論理的で簡潔に書ける候補者ほど、AI生成と誤判定されやすい。文章力の高さがペナルティになる本末転倒が起きる。

2. 回避が容易：候補者が一部を手直しすれば検出を逃れられる。ツールと候補者のいたちごっこになり、運用コストに見合わない。

3. 説明できない不採用：「ツールがAIと判定したため」は候補者に説明できない不採用理由になり、採用ブランドを毀損する。

検出ツールは「気になる書類を二次確認するための補助シグナル」にとどめ、合否の主たる根拠にはしないという線引きが安全です。判定の主役は、あくまで人間による文脈の評価に置きます。この「検出ツールに頼らない」という原則は、面接段階でも同様に成り立ちます。詳しくはエンジニア面接のAIカンニング対策ガイドも参考になります。

「AIを使ったか」ではなく「実態と合っているか」

そもそも、職務経歴書の作成にAIを使うこと自体は問題ではありません。文章を整える、構成を相談する、誤字をなくす——こうした使い方はむしろ自然です。問題になるのは、AIが生成した内容が本人の実態と乖離している場合だけです。評価軸を「AI利用の有無」から「記載と実力の一致」に置き換えると、フェアで再現性のある判断ができます。

4. 文脈の深さで見極める書類選考の設計

AI生成書類を見抜く最も確実な方法は、文章ではなく「文脈の深さ」を評価する選考設計にすることです。AIで整えた書類は結果の羅列に強く、意思決定の背景や失敗からの学びの記述に弱いという構造的な弱点を持つためです。書類選考の評価項目を、この弱点が露出する方向に設計し直します。

評価項目を「成果」から「判断」へ寄せる

職務経歴書を読む際のチェックポイントを、次の3層で整理すると、文脈の深さを定量的に扱えます。

1. What（何をやったか）：担当領域・技術スタック・成果。AIでも書ける層なので、ここだけで評価しない。

2. How（どうやったか）：採用した手法、設計の選択、トレードオフの判断。AIで盛った書類はここが急に薄くなる。

3. Why（なぜそう判断したか）：制約条件のなかで何を優先し、何を捨てたか。本人の実体験がないと書けない層。

書類選考の通過基準を「Why層が一定以上書けているか」に置くと、AIで整えた書類は自然にふるい落とされます。逆に、文章が粗くてもWhy層が具体的な候補者は、実力者として拾い上げられます。

検証可能な一次情報を必ず確認する

文章は偽装できても、外部に残る痕跡は偽装しにくいものです。エンジニア採用では、本人しか持ち得ない一次情報の有無が強力な判別材料になります。

• GitHub・GitLab：コミット履歴・コードの質・継続性。職務経歴書の技術記述と実際のリポジトリが整合するか。

• 技術ブログ・登壇資料：自分の言葉で技術判断を説明できているか。AIで書いた職務経歴書との文体差が大きすぎないか。

• OSS貢献・技術コミュニティでの活動：PRやIssueでのやり取りは、リアルタイムの技術的思考が現れる。

• 過去の制作物・ポートフォリオ：職務経歴書の主張と動く成果物が一致するか。

これらの一次情報は、AI生成書類の文脈の薄さを補って余りある実態を示します。GitHubやポートフォリオの読み解きそのものに不安がある場合は、GitHub・ポートフォリオを正しく評価する実践ガイドの評価フレームを併用すると判断がぶれません。

一次情報と職務経歴書の「整合チェック」3観点

一次情報は、ただ存在を確認するだけでは不十分です。職務経歴書の記述と突き合わせ、矛盾がないかを見ることで、盛られた経歴があぶり出されます。次の3観点で照合すると効率的です。

1. 時系列の整合：職務経歴書に書かれた在籍期間と、GitHubのコミットや登壇の時期が矛盾しないか。「その時期にその技術を使っていた」と言えるか。

2. 技術の深さの整合：職務経歴書で主軸と書いた技術が、実際のリポジトリでも中心的に使われているか。主張と痕跡の濃淡がずれていないか。

3. 語り口の整合：技術ブログや登壇資料で本人が語る文体・思考の癖と、職務経歴書のトーンが大きく乖離していないか。乖離が大きいほどAI加筆の度合いが高い可能性がある。

これら3観点に明確な矛盾がなければ、文章がAIで整っていても実態は信頼できると判断できます。逆に、一次情報が一切なく、職務経歴書だけが整然としている場合は、深掘り設問の比重を上げて確認します。

5. 書類段階に「深掘りトリガー」を仕込む

書類選考と面接の間に短い設問を挟むと、AIで盛られた経歴は書類段階でふるい分けられます。職務経歴書の特定の記述に対して、本人しか答えられない具体を問う「深掘りトリガー」を仕掛けるのが効果的です。AIで整えた書類ほど、この追加設問で一貫性が崩れます。

深掘りトリガーの作り方（3ステップ）

1. 職務経歴書から「最も自慢している成果」を1つ選ぶ：定量成果が書かれた箇所を対象にする。

2. その成果に対し、HowとWhyを問う短い設問を出す：例「レスポンスを50%改善したとありますが、計測方法・対象期間と、その手法を選んだ理由を300字程度で教えてください」。

3. 回答と職務経歴書の整合・具体性を確認する：実体験があれば数値と判断が噛み合う。盛られていれば抽象化・回避が起きる。

設問は1〜2問に絞り、候補者の負担を増やしすぎないのがコツです。重い課題を課すと、本来採りたい多忙な現職エンジニアほど離脱します。歩留まりを守りながら見極める設計が重要です。

深掘り設問の具体例

• 「職務経歴書のうち、最も技術的に難しかった意思決定を1つ挙げ、検討した選択肢と、最終的にそれを選んだ理由を教えてください。」

• 「成功事例だけでなく、うまくいかなかったプロジェクトと、そこから次にどう活かしたかを教えてください。」

• 「記載のある技術スタックのうち、実務で最も深く使ったものと、入門レベルにとどまるものを正直に区別してください。」

3つ目のような「正直さを問う設問」は、網羅的すぎる技術記述に対して特に有効です。誠実な候補者は実態を率直に書き、盛った候補者は曖昧化します。

回答を評価する3つの観点

深掘り設問は、出すだけでなく回答の評価基準を揃えておくと、選考者によるブレを防げます。次の3観点でスコアリングすると、文脈の深さを定量的に扱えます。

1. 具体性：固有名詞・数値・状況が含まれているか。抽象的な一般論に終始していないか。

2. 一貫性：職務経歴書の記述と、深掘り回答の内容が矛盾していないか。盛られた経歴はここで綻びやすい。

3. 再現性のある思考：「なぜそう判断したか」が、他の場面にも応用できる思考として語られているか。結果の暗記ではなく、判断のロジックが見えるか。

この3観点はそのまま面接の評価項目にも転用できます。書類の深掘り回答と面接の受け答えを同じものさしで見れば、書類だけでは判断しきれなかったグレーな候補者も、選考全体を通して精度高く見極められます。

6. AI活用を減点しないフェアな運用ルール

AI生成書類への対策は、候補者のAI活用を一律に罰する方向に振れてはいけません。書類作成へのAI利用は今や一般的で、これを減点すると候補者体験を損ない、採用競争で不利になるためです。守るべきは「実態との一致」であって「AI不使用」ではありません。

明文化すべき3つの基準

1. AI利用は許容、ただし内容の事実性は本人が責任を負う：応募要項や案内に「AIの活用は妨げないが、記載内容が事実と異なる場合は選考対象外」と明示する。

2. 評価軸は文脈の深さに置くと事前に伝える：「成果だけでなく、判断の背景や失敗からの学びを重視する」と開示することで、候補者の準備の方向を正しく導ける。

3. 検出ツールの結果だけで落とさない運用を社内で合意する：偽陽性での不当な不採用を防ぎ、面接官・人事間の判断のばらつきをなくす。

これらを明文化しておくと、選考の透明性が上がり、辞退理由や苦情のリスクも下げられます。評価基準を言語化する取り組みは、AI生成書類対策に限らず、構造化された選考設計の土台になります。

なお、基準は社内に閉じず、候補者にも適切な範囲で開示することが望ましい運用です。「当社は成果の羅列ではなく判断の背景を重視します」と事前に伝えれば、候補者は的外れな盛り方をするより、自分の実体験を具体的に語る方向に準備を寄せます。結果として、見極めの労力が下がるだけでなく、入社後にギャップが生じにくい採用にもつながります。AI対策と候補者体験の向上は、対立ではなく両立できるテーマです。

書類選考から面接へ一貫させる

書類段階で見た「文脈の深さ」を、面接でそのまま掘り下げる設計にすると、AI生成書類の見極め精度はさらに上がります。書類の深掘り設問への回答を起点に、面接官が「その判断の前提は何でしたか」と重ねて問えば、実体験の有無は明確になります。書類・課題・面接を分断せず、一本の評価ストーリーとして設計するのが理想です。AI時代のエンジニア技術面接リデザインで解説している、技術評価そのものを再設計する視点と合わせて運用すると効果が高まります。

7. 判断に迷うケースと対処の指針

実際の書類選考では、白黒つけにくいグレーな書類に必ず出くわします。AI生成かどうかの二択ではなく、「実態と一致しているか」を基準に対処方針をあらかじめ決めておくと、選考者によるブレを防げます。代表的な3ケースと対処の指針を整理します。

ケース1：文章は完璧だが一次情報がゼロ

職務経歴書は整然としているのに、GitHub・技術ブログ・登壇など外部の痕跡が一切ないケースです。これは「AIで創作した」とも「アウトプットを公開しない実力者」とも解釈でき、書類だけでは判断できません。

対処：即落としにせず、深掘り設問を必ず通します。社外に公開していないだけで、社内では高い成果を出すエンジニアは珍しくないためです。設問への回答にHow/Whyの具体があれば通過、抽象化・回避が起きれば見送り、と判断材料を一つ増やしてから決めます。

ケース2：技術スタックが不自然に網羅的

フロントからインフラ、機械学習まで、一人の経歴とは思えない広さで技術が列挙されているケースです。AIに「関連技術を網羅して」と指示した結果であることが多い一方、本当に幅広く触れてきたフルスタック寄りの人材の可能性もあります。

対処：「最も深く使った技術と、入門レベルの技術を正直に分けてください」という設問で確認します。誠実な候補者は率直に区別し、盛った候補者は曖昧化します。網羅性そのものを減点するのではなく、深さの自己申告の誠実さを見るのがポイントです。

ケース3：成果の数値が立派だが根拠が曖昧

「処理速度を80%改善」「コストを半減」といった見栄えのする数値が並ぶのに、計測方法や本人の貢献範囲が書かれていないケースです。AI加筆では、インパクトの大きい数値だけが切り取られて残りやすい傾向があります。

対処：数値の背景を1問で問います。「その数値の計測方法・対象期間・あなた個人の貢献範囲を教えてください」。実体験があれば数値と説明が噛み合い、盛られていれば説明が崩れます。数値の大きさではなく、数値を語れる解像度で判断します。

8. 導入ロードマップ｜小さく始めて精度を上げる

AI生成書類への対応は、いきなり全面的な仕組みを作る必要はありません。既存の書類選考に深掘りトリガーを1つ足すところから始め、データを見ながら精度を上げるのが現実的です。

1. 現状の通過基準を棚卸しする：いま何を見て通過・落選を決めているかを言語化する。Why層が評価に入っていなければ、そこを追加する。

2. 深掘りトリガーを1問だけ追加する：最も自慢の成果に対するHow/Whyの設問を、書類選考の最後に1問挟む。

3. 一次情報の確認を標準化する：GitHub・ポートフォリオの確認をチェックリスト化し、誰が選考しても見る項目を揃える。

4. 検出ツールは補助に位置づける：使う場合も合否根拠にせず、二次確認のシグナルにとどめる方針を共有する。

5. 通過後の活躍と照合してチューニングする：書類評価が入社後のパフォーマンスとどれだけ相関したかを振り返り、基準を更新する。

特に5つ目の「入社後の活躍との照合」は、書類選考の質を継続的に高める要です。採用の質を測る指標と接続して運用すると、見極め基準が経験則ではなくデータに裏付けられたものになります。

FAQ（よくある質問）

Q1. AI生成の職務経歴書は、提出された時点で不採用にすべきですか？ いいえ。書類作成にAIを使うこと自体は問題ではありません。判断すべきは、記載された内容が本人の実態と一致しているかどうかです。AI利用を理由に一律で落とすと、優秀な候補者を取りこぼし、採用ブランドも損なわれます。評価軸は「AIを使ったか」ではなく「実力と記載が合っているか」に置きましょう。

Q2. AI検出ツールのスコアはどこまで信用できますか？ 合否の根拠にはできません。AI文章検出は偽陽性が起きやすく、論理的に書ける候補者を誤って「AI製」と判定するリスクがあります。検出スコアは「気になる書類を二次確認するための補助情報」にとどめ、最終判断は人間による文脈評価で行うのが安全です。

Q3. 非エンジニアの人事でもAI生成書類を見抜けますか？ 見抜けます。文章の技術的な巧拙ではなく、「意思決定の背景や失敗からの学びが具体的に書かれているか」という文脈の深さを見れば、技術知識がなくても判別できます。さらに、GitHubやポートフォリオの有無、深掘り設問への回答の具体性を確認すれば、判断の精度が上がります。

Q4. 深掘りの設問を増やすと、応募者が離脱しませんか？ 設問を1〜2問に絞れば、離脱リスクは抑えられます。重い課題を課すと多忙な現職エンジニアほど離脱するため、本来採りたい層を逃します。「最も自慢の成果に対するHow/Whyを300字で」のような軽量な設問なら、誠実な候補者の負担は小さく、盛った経歴だけが破綻します。

Q5. AI生成書類が増えると、書類選考そのものを廃止すべきですか？ 廃止は得策ではありません。書類選考は、一次情報の確認と文脈評価の起点として依然有効です。むしろ、評価軸を成果の羅列から判断・文脈に組み替え、GitHubなどの検証可能な情報と組み合わせれば、AI時代でも機能します。書類を「落とす関門」ではなく「実力を見つける入り口」として再設計するのが本質的な解です。

まとめ：判定するのは文章ではなく文脈

AI生成の職務経歴書への対策は、「うまい文章を疑う」発想から「文脈の深さを評価する」発想への転換です。生成AIは結果の羅列を上手に書けますが、意思決定の背景・トレードオフの判断・失敗からの学びは、本人の実体験がなければ書けません。書類選考の評価軸をWhy層に寄せ、深掘りトリガーと検証可能な一次情報を組み合わせれば、AI時代でも実力を正しく見極められます。

同時に、候補者のAI活用を一律に罰しないフェアな基準を明文化することも欠かせません。守るべきは「実態との一致」であり、「AI不使用」ではないからです。

techcellarは、採用コンサル営業出身の現役エンジニアが、エンジニア採用の選考設計から運用までを支援しています。AI時代の書類選考・技術評価の見直しに課題を感じている方は、techcellarのサービスやお問い合わせからお気軽にご相談ください。